你真的懂得大数据吗
我们总能听到大数据这个词,但是你真的了解大数据吗?也许有人会回答“是”,但是真正能够做到了解的人却屈指可数。大数据究竟有哪些深奥的东西令人难以理解呢?
大数据之所以深奥难懂,唯一一点是因为:我们作为一个技术群体,并没有完全准备好去利用和管理大数据。也许你会说:“我们准备好了。”但事实上我们没有,原因如下:世界上百分之九十的数据都是在过去的两年里产生的,这使我们有些措手不及。每天都有大量的新数据从社交网站、工业传感器、卫星、手机、照片、文件以及其它地方产生。我们的数据以每天多于250兆字节的速度增长,或者说是多于20亿千兆字节。这些数据必须有地方可以储存,哪怕只是暂时储存,然后再从数据库和应用中发送出去以供分析。由于积累了太多的新数据,以至于对这些数据的存储、管理、以及分析的工作量是极大的。这就是我们很少有人真正了解大数据的原因。
这些海量数据使得我们能听到很多关于大数据的内容,而要弄明白它却很难。正如我之前所说,数据同我们的存储、搜索、分析、组织、归档和筛选能力息息相关,而其现在的情形是我们所不能完全掌控的。
我们都知道数据是如何产生的,也大体知道我们创造某些数据的原因以及要如何处理这些数据,但我们所不知道的是如何处理如此大量的数据。
事实上,我们甚至不确定如何去处理产生于大数据的元数据(metadata)。
在这里说明一下,你最近可能听说过很多关于元数据的事情,是关于美国国家安全局(NSA)所获取和分析的私人数据的。元数据就是有关数据的数据,这是个有点奇怪的概念。简单来说,元数据是对你的数据的一种描述,你可能还没意识到,你每时每刻都在使用元数据。比如,当你拍了一张数码照片时,元数据描述的就是关于这张照片的尺寸、拍摄日期、存储位置、文件大小、像素等内容。
其他类型的元数据还有:
创建该数据的方式
该数据的目的
创建日期和时间
该数据的创建者
该数据在一个计算机网络里的创建位置
所使用的标准
如果要检查一张图片的元数据,你只需右键单击该图片文件,选择“属性”,然后再选择“详细”选项卡。
你可以看到,元数据虽然不是数据本身,却也占用存储空间,它是有关数据的数据。所以我们可以把大数据和大元数据放在一起来谈。当你认识到有比数据本身更多的数据存在之后,你应该就能对我们的数据高速增长的原因有更为深刻的理解了。
需要指出的是,元数据不是大数据庞大的原因,而只是使大数据变得更大。
在了解了数据和元数据之后,我们可以研究大数据究竟是什么了。
大数据就是大量的数据,它是比我们以往所处理的数据还要多的数据,并且来源也更为广泛,它包含元数据。它多到难以想象、难以存储、难以分析,这也是大数据的主要问题所在。
你仍然会有疑问:是什么让大数据难以理解?
正如我前面所说,我们从不同的数据源创建数据:手机、卫星、电子传感器、文本信息、日志文件等等。来源如此之广的数据是非常复杂的。
更深一层解释,如果你的全部数据都是图片,那么你的数据就很简单。当你拥有不同种类的数据以及不同的数据源时,你的数据的复杂程度就增加了。假如你经营着一家物流公司,比如UPS快递,那么你就会有来自很多不同数据源的数据。我们仅从其中三点来看数据的复杂程度:雇员、货车和包裹。当然,他们实际上的数据远远复杂得多,我们只是选出比较典型的来举例。
货车的数据包括货车位置(GPS定位),燃油消耗量,维修记录,购买价格,保险记录,送货量,司机姓名等等。现在考虑一下每个领域所涉及的所有不同的数据点(data
points)。维修记录又包含着油量变化、轮胎、蓄电池、每个单独的可换零件、损坏、里程以及更多的内容。再用这些数据点乘以UPS现在所管理的数以万计的货车数量——96394辆。
再加上你能想象得到的所有雇员信息,包括货车司机、装卸工、维修人员、雇员的医疗记录、空车定位、设备定位、统一定位以及其它有关雇员的数据点,一共有397100名雇员。
还要加上第三个数据源的信息:包裹重量、原产地、保险、目的地、运输方式、尺寸、收货信息,以及出发地和目的地之间的中转地,每天有1630万包裹。
你可以看到数据点是如何随着UPS处理的数据量的增加而迅速增加的。UPS收集了很多有趣的不同数据点,那张单子上的统计数据并不是原始数据,而是经过分析之后的数据。那么可以想象数据库服务器的数量、存储量以及为生成那页单子而要耗费的精力有多少。
这就是大数据。你必须收集、存储、分析、组织、筛选和利用数据。就是从收集到筛选和利用的这个过程,是大数据不被人们所熟知的东西。大数据是复杂且难以管理的。
我们对大数据欠缺了解的地方正是对其的管理部分。只有极少数人知道如何管理如此庞大而复杂的数据。大部分企业已发展起了自己的拼凑解决方案,即通常每个部门试着用不同的形式管理自己的数据。其结果就是,不仅这些企业拥有大量的不同数据,而且数据用不同的数据技术存储在不同的位置,大数据变成了大混乱。
现在你应该对大数据的内涵、出处、庞大的原因以及所存在的问题有了更好的理解。
为什么你认为大数据难以理解,或者为什么你认为它好理解?你可以将你的看法通过留言评论回复给我们。
说明一下,我用UPS快递举例是因为我知道UPS能产生大量的数据,目前它管理着超过16万兆字节的数据量。
数据分析咨询请扫描二维码
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20